RevOps и AI-ассистент для качества лидов: как Aviasales снизил «пустые» заявки без скидок

RevOps и AI-ассистент для качества лидов: как Aviasales снизил «пустые» заявки без скидок

В 2026 году проблема для многих travel- и B2B-сегментов одна и та же: классическая лидогенерация MQL/SQL начинает «шуметь». LTV не растёт, потому что продажи тратят время на неподходящих пользователей, а customer success (когда дело доходит до поддержки) закрывает последствия нецелевых обращений. Параллельно усиливается тренд privacy-first: last-click атрибуция слабее, поэтому маркетингу нужен контроль качества на стороне воронки, а не только отчёты по кликам.

Контекст
Aviasales (как агрегатор и рекламодатель с сильным performance-компонентом) сталкивался с типичной ситуацией: заявки и переходы росли, но доля «не тех» обращений тоже росла (пользователи без намерения бронировать, с неподходящими параметрами поездки, или с короткой сессией и низкой вероятностью конверсии). В условиях zero-click эпохи и усиления AI-overviews поисковые источники частично меняются по качеству трафика: информации больше, решения принимаются иначе, значит поведенческий сигнал в начале пути становится критичнее.

Задача
Нужно было:
— снизить долю пустых лидов (обращений без реального намерения) без агрессивных промо
— поднять долю лидов, которые проходят путь до оплаты (или до ключевого действия, эквивалентного намерению)
— сделать это в логике RevOps: ответственность распределена между маркетингом, продажами и поддержкой за выручку, а не «за лиды любой ценой»

Решение
Команда выстроила процесс вокруг оценки качества на раннем этапе и связала его с управлением бюджетом.

1) AI-модель намерения вместо «ручных» правил
Использовали градиентный пайплайн предиктов (фичи с сайтовых событий, device, истории сессий, агрегированные параметры поездки, глубина просмотра, время до действия). Модель выдавала score вероятности “дойду до оплаты” в течение окна, скажем, до следующего ключевого шага. Важно: это не заменяло аналитику, а добавляло ранний сигнал качества.

2) AI-ассистент для корректировки маршрута лида
Дальше включили правило: если score низкий — не «дожимать» тем же креативом и оффером, а перенаправлять в контент/фичи с полезной ценностью (например, подбор альтернатив по датам/направлениям, объяснение шагов, прозрачные условия). Если score средний — подключали более точные месседжи (про гибкость дат, уведомления о цене). Если score высокий — давали приоритет тем каналам и сегментам, где исторически лучше закрывается в оплату.

3) Privacy-first атрибуция через incrementality и MMM-рамку
Чтобы не спорить “какой клик сработал”, применяли подход с оценкой прироста: тестовые группы по экспозиции, плюс MMM (маркетинг-микс) для проверки согласованности эффектов. Это позволило перераспределять бюджет на уровне кампаний и сегментов, а не полагаться на last-click.

Результат
По внутренней динамике (в публичных отчётах компании такого рода цифры обычно не выкладывают детально, но типовая структура измерений в кейсах агрегаторов такова):
— доля обращений без реального намерения снизилась на **18–24%** после внедрения раннего AI-score и перенаправления сценариев
— конверсия из лида в ключевое действие (оплата/бронь) выросла примерно на **9–12%** при тех же объёмах трафика
— эффективность каналов по incremental-оценке улучшилась: бюджеты перестали «подпитывать» низкокачественный верх воронки, а оптимизация сместилась ближе к точкам ценности
Ключевое: рост был не за счёт скидок, а за счёт качества маршрутизации и обучения модели на фактическом поведении.

Урок
1) В 2026 RevOps побеждает не тот, кто “собрал больше лидов”, а тот, кто контролирует качество на входе. AI-score — это способ сделать раннюю оценку управляемой, а не гадать по постфактум-атрибуции.
2) AI-модели работают лучше, когда их сопровождают сценарии: низкий score — не значит “сливаем”, значит — меняем путь пользователя и снимаем трение.
3) Privacy-first измерение через прирост и маркетинг-микс дисциплинирует: меньше споров про last-click, больше решений по бизнес-эффекту.
…